Pseudomonas aeruginosaにおける薬剤耐性の予測を目的としたトランスクリプトームベースの機械学習モデル

科学分野:

• 微生物学
• ゲノミクス
• 計算生物学

背景:

• 薬剤耐性（AMR）は、高度な検出方法を必要とする重大な世界的健康脅威をもたらしています。
• Pseudomonas aeruginosaは、その適応性と多剤耐性への寄与で知られる主要な病原体です。

研究 の 目的:

• P. aeruginosaにおけるAMRを予測する上でのトランスクリプトームベースの機械学習（ML）モデルの有効性を評価すること。
• 抗生物質耐性表現型に関連する遺伝子発現シグネチャを特定すること。

主な方法:

• 414の臨床分離株のP. aeruginosaのトランスクリプトームプロファイルが分析されました。
• セフタジジム、シプロフロキサシン、メロペネム、トブラマイシンに対する耐性を予測するためにMLアルゴリズムが採用されました。
• 各抗生物質に対して、異なるおよび共有されたトランスクリプトームシグネチャが特定されました。

主要な成果:

• MLモデルはAMRに対して高い予測精度を示し、トブラマイシンモデルは98.8%の精度と100%の感度を達成しました。
• バイオフィルム形成、膜輸送、病原性などの特定の経路が、耐性分離株で濃縮されました。
• 10個の遺伝子と10個のmRNAからなるコアセットが、すべての試験された抗生物質にわたって一貫して調節異常を示し、共有された耐性メカニズムを示唆しています。

結論:

• トランスクリプトームベースのシグネチャは、P. aeruginosaにおけるAMRのためのメカニズム誘導型診断アッセイの開発に有望です。
• トランスクリプトームベースのMLモデルは、薬剤耐性を予測するための効果的なツールです。
• 独立したコホートでのさらなる検証が推奨されます。